Block 发布语音模型 Dessa，完全用人类语音训练
Block's new AI model Dessa was trained entirely on human speech to catch emotions text-based models miss
Block 发布语音模型 Dessa，称其是首个完全用人类语音、不含任何文本数据从零训练而成的 AI 模型。Dessa 直接处理音频而非先转文本，可实时捕捉情绪、讽刺、笑声和停顿，支持全双工交流，能在 MacBook Pro M4 Max 上本地运行，训练使用单台 NVIDIA GB200 NVL72。该模型尚未公开，团队正招募 AI 安全研究人员测试潜在风险。
正文 · AI 翻译
Block 是 Square 和 Cash App 的母公司，它发布了一款名为 Dessa 的 AI 语音模型。
Block 表示，Dessa 是首个完全基于人类语音、不含任何文本数据、从零开始训练的 AI 模型。Dessa 不先将音频转换为文本，而是直接以音频形式处理语音。这使它能够实时捕捉情绪、讽刺、笑声和停顿。
该模型支持全双工通信，因此可以边听边说。它能在 MacBook Pro M4 Max 上本地运行，训练则使用了一台 NVIDIA GB200 NVL72。Block 表示，开发 Dessa 的动机源于好奇心、对更好的人机交流的渴望以及对安全性的担忧，因为当前的语音 AI 会忽略情绪线索。Dessa 尚未公开可用。团队首先在寻找 AI 安全研究人员来测试该模型是否存在意外风险。有意者可通过一份表格报名。
此前的情感语音 AI 尝试未能持续
已有多个团队尝试打造听起来情感丰富的语音 AI。2024 年 3 月，初创公司 Hume AI 推出了 EVI（共情语音接口），这是一款具备“情商”的语音 AI。Kyutai 随后于 2024 年 9 月推出了 Moshi。LAION 的 Open Empathic 项目自 2023 年底以来一直致力于利用一个开源音频数据集训练共情语音合成模型。OpenAI 于 2025 年 6 月对 ChatGPT 的“高级语音模式”进行了全面改造，并在此后持续优化，加入了更好的语调、停顿，以及更逼真的共情和讽刺表达。
但听起来有情感并不等同于真正有情感或有智能，即便它能给人这种印象。对于先进的语音 AI 而言，在回应的同时进行推理等能力比声音听起来多自然更重要，因为这些能力才真正影响回答的质量。